@misc{10481/63898,
year = {2020},
url = {http://hdl.handle.net/10481/63898},
abstract = {The objectives and requirements of computer science are constantly
changing. Nowadays, when developing an algorithm, it is not enough to
solve the problem itself since the energy-time performance or memory
usage should also be taken into account, especially in high-dimensional
problems such as FS. For some years, energy-aware computing has 
gained importance as it allows data centers to save costs by reducing
energy consumption, and it is even today a topic of global interest due
to environmental reasons. The present trend in the development of
computer architectures that offer improvements in both performance
and energy efficiency has provided distributed platforms with interconnected
nodes including multiple multi-core CPUs and accelerators. 
In these so-called heterogeneous systems, the applications can take
advantage of different parallelism levels according to the characteristics
of the devices in the platform. Precisely, these differences between
computing devices are what make heterogeneous computing, unlike
homogeneous, present other problems to deal with. However, this process
is not automatic and requires the intervention of the developer to
properly program the applications and thus achieve good results.
With this in mind, the objective of this thesis is the development of
parallel and energy-efficient codes for time-demanding problems that
frequently appear in bioinformatics and biomedical engineering applications.
Specifically, this thesis tackles with unsupervised EEG classification,
which is one of the aforementioned high-dimensional problems
due to the characteristics of the EEG signals. To cope with the high
number of features that each EEG contains, the implemented procedures
are based on a multi-objective FS approach. The codes have
been designed to take advantage of the heterogeneous architectures by
exploiting the computing capabilities of their devices. In addition, they
have been developed in a procedural way due to their complexity. This
thesis also studies and compares the codes to identify the advantages
and drawbacks of each, as well as analyzes the performance behavior in
terms of energy consumption, execution times, and quality of the solutions
under different situations such as workload, available computing
resources, device clock frequency, and others that will be described
in the corresponding chapters. The results show the importance of
developing efficient methods to meet the energy-time requirements,
pointing out the methodology to be followed and demonstrating that
energy-aware computing is the way to continue on the right track.},
abstract = {Los objetivos y requisitos de las ciencias de la computación cambian
constantemente. Hoy día, los algoritmos deben desarrollarse pensando
tanto en el problema a resolver como en factores relacionados con la
energía, el tiempo y el uso de memoria, especialmente en problemas
de alta dimensionalidad como la FS. Desde hace años, la computación 
eficiente ha ganado importancia ya que permite a los centros de datos 
ahorrar costes al reducir el consumo energético, siendo actualmente
un tema de interés mundial por razones medioambientales. La tendencia
actual en arquitectura de computadores está proporcionando
mejoras de rendimiento a través de plataformas distribuidas y heterogéneas
cuyos nodos interconectados incluyen CPUs multi-núcleo


y aceleradores. En estos sistemas, las aplicaciones pueden aprovechar
diferentes niveles de paralelismo según las características de sus dispositivos.
Sin embargo, las diferencias entre dispositivos hacen que
la computación heterogénea, a diferencia de la homogénea, presente
otros inconvenientes que también deben tratarse. Como este proceso
no es automático, la intervención del desarrollador para programar
adecuadamente las aplicaciones y lograr buenos resultados es necesaria.
Con esto en mente, el objetivo de esta tesis es desarrollar códigos paralelos
y energéticamente eficientes para problemas costosos en tiempo
que aparecen con frecuencia en aplicaciones de bioinformática e ingeniería
biomédica. Específicamente, esta tesis trata con la clasificación no
supervisada de señales EEG ya que es uno de los problemas de alta dimensionalidad mencionados anteriormente. Para hacer frente a la gran
cantidad de características que cada EEG contiene, los procedimientos
implementados hacen uso de la FS multi-objetivo y aprovechan
las capacidades computacionales de los dispositivos presentes en las
plataformas heterogéneas utilizadas. Además, han tenido que ser desarrollados
de forma procedural debido a su gran complejidad. A lo largo
de esta tesis, todos los procedimientos son evaluados para identificar
sus ventajas e inconvenientes. El rendimiento de cada uno de ellos es
analizado en términos de consumo energético, tiempo de ejecución y
calidad de las soluciones bajo diferentes condiciones experimentales
tales como la carga de trabajo, recursos de cómputo disponibles, frecuencia
de operación del dispositivo y otras que se describirán en
el capítulo correspondiente. Los resultados muestran la importancia
de desarrollar métodos eficientes para cumplir con los requisitos de
tiempo y energía, señalando la metodología a seguir y demostrando
que la computación energéticamente eficiente es el camino a seguir.},
organization = {Tesis Univ. Granada.},
organization = {National research project TIN2012-32039, funded by the Spanish MINECO},
organization = {National research project TIN2015-67020-P, funded by the Spanish MINECO and ERDF funds},
organization = {National research project PGC2018-098813-B-C31, funded by the Spanish MICIU and ERDF funds},
organization = {NVIDIA grant program},
publisher = {Universidad de Granada},
keywords = {Arquitectura de computadores},
keywords = {Computación heterogénea},
keywords = {Feature selection},
keywords = {CPU},
keywords = {Electroencephalogram},
title = {Energy-efficient Parallel and Distributed Multi-objective Feature Selection on Heterogeneous Architectures},
author = {Escobar Pérez, Juan José},
}